基于机器学习的量子开放系统谱密度识别方法

我们提出了一种基于机器学习的方法，用于表征影响量子开放系统动力学的环境。我们聚焦于一个恰好可解的自旋-玻色子模型，其中系统-环境相互作用，其强度编码在谱密度中，可导致纯退相作用。通过使用人工神经网络对系统部分若干可观测量的傅里叶变换后时间演化进行训练，我们实现了对谱密度函数的分类——区分亚欧米斯、欧米斯和超欧米斯谱密度——以及回归，从而估计以幂律形式表达的谱密度函数的关键参数。我们的结果表明，分类准确率很高，参数估计稳健，凸显了机器学习作为探索量子系统环境特征和推进量子噪声光谱学的强大工具的潜力。